使用pandas的crosstab函数计算混淆矩阵及Seaborn作图实战

最新推荐文章于 2024-12-04 10:02:35 发布
最新推荐文章于 2024-12-04 10:02:35 发布
阅读量272 收藏
点赞数
文章标签： pandas 矩阵 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/wellcoder/article/details/130375290
版权
本文介绍了如何在机器学习中利用pandas的crosstab函数计算混淆矩阵，并结合Seaborn库进行可视化。通过引入pandas、numpy、matplotlib和seaborn库，创建真实和预测标签数组，计算混淆矩阵，并使用heatmap方法展示混淆矩阵图，有助于评估模型性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

使用pandas的crosstab函数计算混淆矩阵及Seaborn作图实战

在机器学习领域，混淆矩阵(confusion matrix)是评估模型性能非常重要的工具。它可以帮助我们了解分类模型在验证集上的准确性。本文介绍如何使用Python中的pandas和Seaborn库实现混淆矩阵可视化功能。

首先，我们需要引入需要使用的库：pandas、numpy、matplotlib、seaborn。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

接下来，我们生成两个随机的分类标签数组，一个为真实标签，另一个为预测标签。


                

                
                
        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
            

        


    



                



	

		

			

				
					
Python使用pandas的crosstab函数计算混淆矩阵并使用Seaborn可视化混淆矩阵实战

				
			

			

				

					data+scenario+science+insight
				

				

					09-28
					
					721
					
				

			

		

		

			
				
Python使用pandas的crosstab函数计算混淆矩阵并使用Seaborn可视化混淆矩阵实战



目录

Python使用pandas的crosstab函数计算混淆矩阵并使用Seaborn可视化混淆矩阵实战

#仿真数据

#使用pandas的crosstab函数绘制混淆矩阵

#使用seaborn可视化pd.crosstab函数计算获得的混淆矩阵

#通过添加margins = True参数输出边界汇总值获得更加丰富的混淆矩阵



#仿真数据


import pandas as pd

da

			
		

	



                

            
              



	

		

			

				
					
利用pandas求神经网络中二分类的混淆矩阵

				
			

			

				

					qq_45806136的博客
				

				

					12-14
					
					2249
					
				

			

		

		

			
				
(test_data, test_labels) 分别为测试集的数据和标签
1、利用神经网络来进行预测(假设当前的神经网络是network)
prediction = network.predict(test_dara)

2、得到的prediction是一个(samples_count, 1)的Numpy数组，我们将它转换为一个(samples,_count)的数组
prediction = [(int) ((prediction[i][0] + 0.5) / 1.0) for i in range(le

			
		

	



              


  
              

                


	

		

			

				
					
小点dian儿：pandas混淆矩阵

				
			

			

				

					shuihupo的博客
				

				

					12-28
					
					1674
					
				

			

		

		

			
				
import pandas as pd 

pd.crosstab(y_Test,prediction, rownames=["lable"],colnames=["predict"])

y_Test,真实值

prediction,预测值

rownames=["lable"],行名

colnames=["predict"]，列名

			
		

	





	

		

			

				
					
使用pandas 画出混淆矩阵

				
			

			

				

					Frank-Li的博客
				

				

					06-14
					
					4500
					
				

			

		

		

			
				

			
		

	



		

			
		



	

		

			

				
					
Crosstab混淆矩阵应用及预测错误位置应用

				
			

			

				

					soga235的博客
				

				

					12-24
					
					1250
					
				

			

		

		

			
				
通过pandas中的crosstab调用混淆矩阵，来查看哪些结果最容易混淆，对角线部分，为正确预测的部分，其它部分则是预测错误的部分。


import pandas as pd
pd.crosstab(test_labels,prediction,rownames=['label'],colnames=['predict'])



查看预测错误位置的数据：


df = pd.DataFrame({'label':test_labels,'predict':prediction})
print(df..

			
		

	





	

		

			

				
					
使用pandas和seaborn绘图(数据可视化)

				
			

			

				

					浮点型队友
				

				

					06-16
					
					6674
					
				

			

		

		

			
				
上次发了一篇 matplotlib API 可视化入门 ，matplotlib实际上是一种比较低级的工具。
pandas自身就有内置可视化方法，用于简化从DataFrame和Series绘制图形。另一个库seaborn（https://seaborn.pydata.org/），由Michael Waskom创建的静态图形库。Seaborn简化了许多常见可视类型的创建。
线型图
Series和Dat...

			
		

	





	

		

			

				
					
Python数据分析 | (16) 使用pandas和seaborn绘图

				
			

			

				

					sdu_hao的博客
				

				

					09-27
					
					2861
					
				

			

		

		

			
				
matplotlib实际上是一种比较低级的工具。要绘制一张图表，你组装一些基本 组件就行:数据展示(即图表类型:线型图、柱状图、盒形图、散布图、等 值线图等)、图例、标题、刻度标签以及其他注解型信息。

在pandas中，我们有多列数据，还有行和列标签。pandas自身就有内置的方 法，用于简化从DataFrame和Series绘制图形。另一个库seaborn(https:// seaborn.p...

			
		

	





	

		

			

				
					
[工作必备]pandas数据分析处理52个常用技巧

				
			

			

				

					python技巧分享
				

				

					04-22
					
					4647
					
				

			

		

		

			
				
pandas工具包类似于python中的excel, 在excel中的筛选、排序、计算、透视、vlookup、分类汇总等操作用python如何实现呢?
本文精心整理的pandas数据处理与分析的51个技巧, 100多个知识点
这么多技巧除了收藏, 如何掌握呢, 请看文末!


技巧1: 导入工具包

# pandas 和numpy是两个基础的工具包
import numpy as np
import pandas as pd
# matplotlib seaborn是作图工具包
import matplo.

			
		

	





	

		

			

				
					
Pandas 基础(13) - Crosstab 交叉列表取值

				
			

			

				

					weixin_34343689的博客
				

				

					03-04
					
					439
					
				

			

		

		

			
				
这小节的题目看起来还挺晦涩的, crosstab 是 pandas 的一个函数, 作用还蛮强大的, 一起来看一下吧~~~
首先还是先引入一个例子文件:
import pandas as pd
df = pd.read_excel('/Users/rachel/Sites/pandas/py/pandas/13_crosstab/survey.xls')
df

输出:好, 下面看一下 ...

			
		

	





	

		

			

				
					
【Pandas】pandas crosstab

				
			

			

				

					weixin_39648905的博客
				

				

					12-04
					
					830
					
				

			

		

		

			
				
pandas.crosstab 是 Pandas 库中的一个非常有用的函数，它主要用于计算两个（或多个）分类变量之间的频数表（也称为交叉表或透视表）。这个函数可以让我们很方便地观察两个分类变量之间的关系，并生成一个表格形式的结果。

			
		

	





	

		

			

				
					
Python 计算混淆矩阵

				
			

			

				

					05-31
				

			

		

		

			
				
用Python计算图像对不同地物分类精确度，
计算分类结果图与标准参考图的混淆矩阵，
对分类结果进行评价

			
		

	





	

		

			

				
					
详解使用python绘制混淆矩阵（confusion_matrix）

				
			

			

				

					01-01
				

			

		

		

			
				
Summary

涉及到分类问题，我们经常需要通过可视化混淆矩阵来分析实验结果进而得出调参思路，本文介绍如何利用python绘制混淆矩阵（confusion_matrix），本文只提供代码，给出必要注释。
Code​


# -*-coding:utf-8-*-
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import numpy as np
#labels表示你不同类别的代号，比如这里的demo中有13个类别
labels = ['A', 'B', 'C', 'F', 'G', 'H

			
		

	





	

		

			

				
					
pandas--crosstab()交叉透视表

				
			

			

				

					这个人很蓝
				

				

					04-18
					
					364
					
				

			

		

		

			
				
交叉表是用于统计分组频率的透视表。如下先创建一个DataFrame
import pandas as pd
from pandas import DataFrame
df = DataFrame({'类别':['水果','水果','水果','蔬菜','蔬菜','肉类','肉类'],
                '产地':['美国','中国','中国','中国','新西兰','新西兰','美国'...

			
		

	





	

		

			

				
					
混淆矩阵的生成（python实现，含机器学习方法）

				
			

			

				

					一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
				

				

					08-08
					
					7943
					
				

			

		

		

			
				
使用混淆矩阵可以计算多个衡量分类器性能的指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall，也称为敏感度或真正例率）和 F1 值等。准确率（Accuracy）：分类器预测正确的样本占总样本数的比例，计算公式为 (TP + TN) / (TP + TN + FP + FN)。召回率（Recall）：正例被正确预测为正例的比例，计算公式为 TP / (TP + FN)。精确率（Precision）：正例预测正确的比例，计算公式为 TP / (TP + FP)。

			
		

	





	

		

			

				
					
【Pandas】pandas.crosstab详解与实战应用：交叉表的高级用法，用于计算交叉表，支持多种聚合操作和复杂的数据处理

				
			

			

				

					科技改变人类，技术成就未来
				

				

					08-04
					
					1590
					
				

			

		

		

			
				
在数据分析和处理过程中，交叉表是一种常用的工具，可以帮助我们汇总和比较数据的频率分布。pandas.crosstab 是 Pandas 提供的一个函数，用于计算交叉表，支持多种聚合操作和复杂的数据处理。本文将详细介绍 pandas.crosstab 的用途和用法，包括其参数详解、示例代码以及进阶使用技巧。



			
		

	





	

		

			

				
					
pandas—pandas.crosstab交叉表

				
			

			

				

					柳杰的博客
				

				

					04-11
					
					1401
					
				

			

		

		

			
				
文章目录
官方文档
pandas.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, margins=False, 
margins_name='All', dropna=True, normalize=False)

描述：
绘制两个或多个因子的交叉表
index, columns是必选参数，分别是行索引、列索引
crosstab归根结底就是按照指定的index和columns统计数据帧中出现(

			
		

	





	

		

			

				
					
包装部绩效考核关键指标与绩效提升策略

				
			

			

				

					Mr数据杨
				

				

					06-05
					
					1629
					
				

			

		

		

			
				
从指标拆解到案例建模，本篇内容展示了一个多维度、可落地的包装部绩效管理框架。通过基础统计分析，我们能快速识别异常波动的关键指标；借助机器学习技术，可对包装生产计划完成率进行预测，从而提升计划执行的前瞻性；而通过神经网络模型，复杂多因素下的包装材料改进行动也可被动态评估。绩效指标不再只是数字汇总，而是成为推动包装管理智能化、科学化的工具。未来，随着数据积累与模型持续优化，包装部的管理能力将更具响应速度和策略深度。

			
		

	





	

		

			

				
					
【Pandas中的交叉表（Crosstab）详解】

					
热门推荐

				
			

			

				

					武帝为此的博客
				

				

					08-22
					
					1万+
					
				

			

		

		

			
				
交叉表（Crosstab）是数据分析中一种常见的数据透视表，用于展示两个或多个分类变量之间的频率分布关系。在Python的数据处理库Pandas中，我们可以使用函数来轻松地创建交叉表，crosstab()

			
		

	





	

		

			

				
					
Python使用pandas_ml输出混淆矩阵以及从混淆矩阵衍生出来的其他指标：TP、TN、FP、FN、TPR、TNR（SPC）、PPV、NPV、FPR、FDR、FNR、ACC、F1、MCC等

				
			

			

				

					data+scenario+science+insight
				

				

					09-28
					
					3943
					
				

			

		

		

			
				
Python使用pandas_ml输出混淆矩阵以及从混淆矩阵衍生出来的其他指标：TP、TN、FP、FN、TPR、TNR（SPC）、PPV、NPV、FPR、FDR、FNR、ACC、F1、MCC等



目录

Python使用pandas_ml输出混淆矩阵以及从混淆矩阵衍生出来的其他指标：TP、TN、FP、FN、TPR、TNR（SPC）、PPV、NPV、FPR、FDR、FNR、ACC、F1、MCC等

#pandas_ml包安装

#pandas_ml包的ConfusionMatrix函数计算混淆矩阵及其衍生

			
		

	





	

		

			

				
					
卡方检验绘图python绘制

					
最新发布

				
			

			

				

					03-18
				

			

		

		

			
				
### 卡方检验及其可视化

要在 Python 中执行卡方检验并绘制统计图表，可以按照以下方法操作：

#### 数据准备
假设有一个二维表格表示分类变量之间的关系。例如，给定的数据集 `df` 可能包含两个类别列（如性别和幸存状态），可以通过交叉表构建观测频率矩阵。

```python
import pandas as pd
from scipy.stats import chi2_contingency
import matplotlib.pyplot as plt
import seaborn as sns

# 构建示例数据框
data = {
    'Category_A': ['A', 'B', 'A', 'B', 'A', 'B'],
    'Category_B': ['X', 'Y', 'X', 'Y', 'X', 'Y']
}
df = pd.DataFrame(data)

# 使用 Pandas 的 crosstab 函数生成频数表
observed = pd.crosstab(df['Category_A'], df['Category_B'])
print(observed)
```

此代码片段通过 `pd.crosstab()` 方法生成了一个频数表作为输入矩阵[^2]。

#### 执行卡方检验
利用 SciPy 库中的 `chi2_contingency` 函数来完成卡方独立性检验。

```python
# 进行卡方检验
chi2, p_value, dof, expected = chi2_contingency(observed.values)

print(f"Chi-Square Statistic: {chi2}")
print(f"P-value: {p_value}")
print(f"Degrees of Freedom: {dof}")
print("Expected Frequencies:\n", expected)
```

上述代码返回了卡方统计量、P 值以及自由度等重要指标。

#### 结果可视化
为了更好地理解结果，可将期望值与实际值对比作图。

```python
plt.figure(figsize=(8, 6))

# 将预期值转换为 DataFrame 并设置索引/列名一致于原始数据
expected_df = pd.DataFrame(expected, index=observed.index, columns=observed.columns)

# 绘制热力图比较观察值和期望值
sns.heatmap(observed, annot=True, fmt=".0f", cmap="Blues", linewidths=.5, ax=plt.subplot(1, 2, 1))
plt.title('Observed Values')

sns.heatmap(expected_df, annot=True, fmt=".1f", cmap="Greens", linewidths=.5, ax=plt.subplot(1, 2, 2))
plt.title('Expected Values')

plt.tight_layout()
plt.show()
```

这段脚本使用 Seaborn 和 Matplotlib 来分别展示观察到的数值和理论上的期望数值，并采用热图形式呈现两者差异[^4]。

---

### 总结
以上展示了如何在 Python 中进行卡方检验及相应的图形化表达方式。这不仅有助于验证两组离散型随机变量间是否存在关联性，还能直观看出哪些单元格偏离较大从而影响整体结论。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
编码实践

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值